基于Gabor小波的人脸特征提取算法

合集下载

gabor 小波滤波算法

gabor 小波滤波算法Gabor小波滤波算法是一种常用的图像处理方法，它可以通过对图像进行小波变换来提取图像的特征信息。

本文将详细介绍Gabor小波滤波算法的原理、应用和优势。

一、原理Gabor小波滤波算法是基于小波变换的一种滤波方法，它采用了Gabor小波作为基函数。

Gabor小波是一种具有固定空间频率和方向选择性的小波函数，它可以很好地模拟人类的视觉系统。

Gabor小波滤波算法通过对图像进行一系列的Gabor小波变换，得到图像在不同频率和方向上的响应，从而提取图像的特征信息。

二、应用Gabor小波滤波算法在图像处理领域有着广泛的应用。

首先，它可以用于图像的纹理分析和纹理识别。

由于Gabor小波具有良好的方向选择性和频率选择性，它可以很好地捕捉到图像的纹理特征，因此在纹理分析和纹理识别任务中具有较好的效果。

其次，Gabor小波滤波算法还可以用于图像的边缘检测。

由于Gabor小波具有尖锐的频率响应和方向选择性，它可以很好地捕捉到图像的边缘信息，因此在边缘检测任务中具有较好的性能。

此外，Gabor小波滤波算法还可以用于图像的目标检测和图像的人脸识别等任务。

三、优势Gabor小波滤波算法具有以下几个优势。

首先，它可以提取图像的多尺度和多方向的特征信息。

由于Gabor小波可以在不同频率和方向上对图像进行分析，因此它可以提取到图像的多尺度和多方向的特征信息，从而更全面地描述图像的特征。

其次，Gabor小波滤波算法具有较好的抗噪性能。

由于Gabor小波具有较好的局部性质和方向选择性，它对于图像中的噪声具有一定的抑制作用，从而可以有效地提高图像的信噪比。

再次，Gabor小波滤波算法具有较好的计算效率。

由于Gabor小波具有良好的局部性质和稀疏性质，因此可以采用快速算法对其进行计算，从而大大提高了算法的计算效率。

Gabor小波滤波算法是一种常用的图像处理方法，它通过对图像进行小波变换来提取图像的特征信息。

该算法在图像的纹理分析、边缘检测、目标检测和人脸识别等任务中具有广泛的应用，并且具有多尺度和多方向的特征提取能力、较好的抗噪性能和较高的计算效率。

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

提出的方法能够有效提高带表情人脸图像的正确匹配率，改善识别效果。
关键词Leabharlann 人脸ｉＴ，￣Ｊ４，表情识别，Ｇａｂｏｒ小波变换，多特征向量
ＴＰ３９１文献标识码Ａ
中图法分类号
ＲｅｓｅａｒｃｈｏｎＧａｂｏｒＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＦｅａｔｕｒｅＲｅｃｏｇｎｉｔｉｏｎＲｏｂｕｓｔｎｅｓｓＢａｓｅｄｏｎＶｅｃｔｏｒｏｆＦａｃｅ
ＰＥＮＧＨＵｉ（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒ，ＺｈｅｉｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＴｈｅｒｅｉｓｉｎｓｕｆｆｉｃｉｅｎｃｙｉｎｅｘｐｒｅｓｓｉｎｇｃｕｒｖｅｓｉｎｇｕｌａｒｉｔｙｆｏｒｔｒａｄｉｔｉｏｎａｌＧａｂｏｒｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎｉｎｆａｃｅｒｅ＿ｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｔｈａｔｃａｕｓｅｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｉｎｆｏｒｍａｔｉｏｎｈａｒｄｔｏｉｄｅｎｔｉｆｙ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ

基于Gabor小波特征的人脸识别算法研究

（州民航职业技术学院通信系，１６０广州）广５０４，
摘
要
二维Ｇｂｒ波变换对图像边缘敏感，有良好的方向选择性和尺度选择性，ａｏ小具而
对光照变化不敏感．文提出了一种新型的Ｇｂｒ征人脸识别方法．方法通过Ｇｂｒ波本ａｏ特该ａｏ小变换进行精确的人脸眼睛坐标定位，取有利的人脸识别特征区域，过构造新的Ｇｂｒ波选通ａｏ小
特征，采用最近邻分类器对该特征进行分类。文将该方法在ＹＡＬ本Ｅ人脸库上进行了人脸识别
实验，结果表明了该方法的有效性．关键词小波变换；ａｏ特征；式识别；脸识别Ｇｂｒ模人
分类号ＴＰ９３１
在人脸特征提取及识别实验中，们发现人
位于人脸眼睛附近的区域．文对基于Ｇ — 本ａｂｒｏ特征的人脸识别方法进行了研究，出了提
一
用Ｇｂｒａｏ变换来提取特征具有许多优越性，它能够最好地兼顾信号在时域和频域中的分辨能
图像的局部特征，因而在不同位置获得的特征的分类能力也不一样．类能力最大的区域是分
此可见，ａｏ特征能够抵抗一定的表情变化Ｇｂｒ
的影响．
收稿日期：０９０－２２０— ２５作者简介：祥果，教．林助主要研究方向：工智能与模式识别人

结合Gabor小波变换与2DKDA特征提取的人脸识别

文献标志码
Ａ
人脸识别是模式识别和图像处理领域中一项
具有广阔应用前景的热门课题，同虹膜、指纹、纹掌
是奇异的，致所谓的 “ 样本问题 ” 导小。为了解决ＦＡ的上述问题，献［］出了二维Ｆｓｅ判别Ｄ文４提ｉｒｈ分析２ＦＡ，ＤＤ该方法直接利用人脸图像的矩阵数据
ｂｒｏ变换，然后通过二维核判别分析进行特征提取，可以很好地保留图像的几何特征和非线性特征。通过在标准人脸数据库
上的测试表明，该方法较其他传统的二维特征提取方法具有更高的识别效率。关键词人脸识别二维核判别分析Ｇｂｒ变换ａｏ
中图法分类号
Ｔ３１４；Ｐ９．１
采样处理非常困难，要先对其进行降维处理Ｊ需，本文采用下采样技巧生成初步降维后的Ｇｂｒａｏ系数矩阵，于接下来的２ＫＡ特征提取。用ＤＤ１２ＤＡ算法介绍．２ＫＤ
Ｇｂｒ波是由Ｇｂｒ数经过尺度伸缩和旋ａｏ小ａｏ函转生成的一族复函数系，具有良好的时频局部化特
问题。
图像数据通常都具有很高的维数，如果对原始数据
不进行一定的预处理，对后面的分类问题在计算则效率和识别精度上都会产生很大的影响，因此如何
进行有效的特征提取成为模式识别研究中的一个
关键问题Ｊ。
上的巨额开销，而且得到的类内离散度矩阵通常都

log-gabor 提取特征

log-gabor 提取特征
Log-Gabor提取特征是一种基于Gabor滤波器的图像特征提取方法。

由于Gabor滤波器具有良好的频率和方向选择性，可以在不同的方向和尺度上提取图像的局部特征。

而Log-Gabor滤波器则能够在频率域上均匀地分布，以达到更好的覆盖频率空间的目的。

Log-Gabor提取特征的步骤包括：首先对图像进行预处理，如进行归一化或将图像转换为灰度图像；然后，使用一组Log-Gabor滤波器对图像进行滤波，得到一组滤波后的图像；接着，对滤波后的图像进行非线性处理，如取幅值或平方，以增强图像的边缘和纹理信息；最后，将处理后的图像块划分为不同的区域，提取每个区域的统计特征，如均值、标准差、能量等，得到最终的特征向量。

Log-Gabor提取特征在图像分类、目标检测、人脸识别、纹理分析等领域得到了广泛应用。

与其他特征提取方法相比，Log-Gabor提取特征具有较好的鲁棒性和判别性能，能够有效地提取图像的局部特征，对于复杂图像的分析具有很好的效果。

基于二维Gabor小波特征的三维人脸识别算法

变化，会严重影响识别结果。光照和姿态的变化是人脸识别面临的主要问题，同一个人在不同光照和姿态下的人脸图像差别通常大于不同人在相同光照和姿态下的差别。三维人脸识别直接提取人脸在三维空间的真实特征信息，不同于二维人脸识别中人脸在某个方向上的平面投影，
维普资讯
第３卷第１４７期
Ｌ３４
・
计
算
机
工
程
２００８年９月
Ｓｐｔｍｂｅ０ｅｅｒ２０８
Ｎｏ．１７
ＣｏｐｕｔｒＥｎｇｎｅｒｎｇｍｅｉｅｉ
人工智能及识别技术・
文章编号：Ｉｏ．４８０８７２＿２文献标识码：１０－２（０） —０Ｉ＿）３２１ｌ００Ａ
ｆａｕｅｈｉｌｏｔｍｅＤｂｏｖｌｔｆａｕｅｔｅｃｂｅｔｒｓｏｕｅｔｒ．Ｔｓａｇｒｈｕｓｓ２ＧａｒｗａｅｅｅｔｒＯｄｓｒｅｆａｕｅｎｈｍａａｅａｃｒｔｌｎｔｂｙｉｉｎｆｃｃｕａｅｙａｄｓａｌＴｈＤａｅｒｃｇｉｉｎｉｅ３ｆｃｅｏｎｔｏｓｐｒｏｍｅｙｔｒｅｓｅｓＤａｅｍｏｅｅｏｔｕｃｉ，ａｔｒｔｈｎｇｏｆｒｃｎｔｕｔｄ３ｆｃｅｆｒｄｂｈｅｔｐ：３ｆｃｄｌｒｃｎｓｒｔｏｎｐｔｎｍａｃｉｅｏｓｒｃｅＤａｅｍｏｄｌａｄＬｉｅｒＤｉｃｍｉａｅａｙｉｆｅｅｎｎａｓｒｉｎｔｓＡｎｌｓｓｏｍａｃｄ３ｆｃｏｅｔｈｅＤａｅｍｄｌＴｈｅｅｐｒｍｅｔｌｅｕｔａｅｎＯＲＬｎｘｅｉｎａｓｌｓｄｏｒｂａｄＵＭＩａａａｅｈｗｓａｈｓｍｅｏｓｅｃｌｎｅｆｒｎｅ．ＳＴｄｔｂｓｓｓｏｔｉｔｄｈａｘｅｌｔｒｏｍａｃｓｈｔｔｈｅｐ

基于Gabor小波与分形维的人脸情感特征提取

中圈分类号：Ｐ９．Ｔ３１４
基ቤተ መጻሕፍቲ ባይዱ于Ｇａｏｂｒ小波与分形维的人脸情感特征提取
叶吉祥１Ｐ胡秀丽，２
（．中南大学信息科学与工程学院，长沙４００；２长沙理工大学计算机与通信工程学院，长沙４０７）１１０１．１０６摘要：提出一种基于Ｇｂｒａｏ小波变换与分形维的人脸情感特征提取算法，对包含情感信息的静态灰度图像进行预处理，对表情子区域实
维普资讯
第３４卷第４期
Ｖ１ｏ．３４
・
计
算
机
工
程
２００８年２月
Ｆｅｕａｙ２０ｂｒｒ０８
Ｎｏ４．
ＣｏｐｅｍｕｔｒＥｎｇｎｅｒｎｇｉｅｉ
人工智能及识别技术・
文章编号：ｏ＿４８０８４＿２２文献标识码：Ａ１０３（０）＿２６２２００
ｅｔａｔｆｅｔｖｅｔｒｖｃｏｓｏ山ｅｅｐｅｓｏｕ —ｅｉｎｔｂｒｗａｅｅａｓｏａｉｎｎａｃｌｔｓｆａｔｌｏｄｍｅｓｏｎｘｃｓｒａｃｉｅｆａｕｅｅｔｒｆｘｒｓｉｎｓｂｒｇｏｓｗｉＧａｏｖｌｔｔｎｆｒｔａｄｃｌｕａｅｒｃａｂｘｉｎｉｎａｄｈｒｍｏｄｆｅｅｃｒｃａｉｎｉｎｆａｉｌｘｒｓｉｍａｅＴｓｅｔｒｎｉｅｓｏｓａｅｓｅｓｔｅｅｔａｔｄｆａｕｅ．ｐｒｍｅｔｓｏａｉｒｎｅｆａｔｌｍｅｓｏｓｏｆｃａｐｅｓｄａｅｏｎｉｇ．ｈｅｅｖｃｏｓａｄｄｍｎｉｎｒｅｎａｈｘｃｅｅｔｒｓＥｘｅｒｉｎｈｗｓｔｔｈ

基于局部特征Gabor小波的BP神经网络的人脸识别

基于局部特征Gabor小波的BP神经网络的人脸识别作者：范茂志,林秀来源：《科技传播》2012年第01期摘要人脸识别是自动识别领域的一个研究重点。

本文提出了基于Gabor小波局部特征的BP神经网络的人脸识别算法。

该方法在保留了Gabor小波符合人眼的生物特征性的基础上，融合了神经网络的强大学习能力。

该方法采用局部Gabor小波特征作为神经网络输入，最后采用改进的BP神经网络对样本分类，用ORL标准人脸库进行实验，结果数据表明，该算法在提高准确率和减少计算时间方面具有实用价值。

关键词人脸识别；Gabor小波；小波网络；神经网络；特征抽取中图分类号TP39 文献标识码A 文章编号 1674-6708（2012）58-0183-020 引言随着信息技术的发展，人脸识别因在公安、身份验证、安全验证系统、医学、考勤系统等各方面的巨大应用前景而成为当前人工智能和模式识别领域的研究热点。

人脸识别是指利用摄像头捕捉人的面部图片，利用计算机分析比较人脸的生物特征来进行身份识别。

虽然人类能够轻易识别出人脸和表情，但是人脸机器识别却是一个难度极大的课题[1]。

基于Gabor小波弹性图匹配算法作为一种有效的人脸识别方法，虽然方法简单，但是实现复杂、计算量大、耗时多，本文提出了一种改进的基于局部特征Gabor小波的BP神经网络方法，此方法避免了弹性如匹配算法的高计算量，神经网络由于学习和记忆能力，提高了算法容错性。

本文采用Gabor小波特征空间作为神经网络输入空间，然后使用神经网络作为分类器。

1 基于局部特征的Gabor小波1.1 Gabor滤波器数组二维图像的离散Gabor 变换的定义见文献[4]，对特征点图像模板进行离散Gabor 变换的Gabor核函数如下：式中参数描述三角函数的波长,参数描述小波的方向性。

依David S. Bolme 的取值对人脸图像的处理间隔4 个像素,即分别取{4 , ,8, , 16}；对的取值从0到π的区间分别取{0 ,π/ 8 ,2π/8 ,3π/ 8 ,4π/ 8 ,5π/ 8 ,6π/ 8 ,7π/ 8}共8个方向,π到2π区间的方向性由于小波的奇偶对称性而省去。

基于DVF与Gabor小波的人脸表情特征提取方法

88% 的整体识别率 ; 陈培俊 [3] 利用 AAM(Active Appearance Models) 模型 , 结合粗糙集理论 , 用 SVM(Support Vector Machines)作为分类方法, 获得了 83.70%的整体识别率。上述文献中由于对特征表情提取的信息过于单一､简单,以至表情识别率较低,因此,目前的人脸表情识别仍然存在识别精度低､算法复杂､识别时间长等缺点。为了更好地获取人脸表情的各种表情特征信息,本文针对目前表情特征方法存在的问题,提出了一种基于 DVF 及 Gabor 小波的表情特征提取方法 , 并通过欧式距离法验证特征提取方法的有效性,获得了不错的识别效果。
其中 , D 为距离矩阵 , O , B 指的是对象及背景的象素。采用 DVF 描述人脸特征的几何信息,在人脸区域中每个像素都赋给一个向量指向最近的边缘像素,如图 1 所示。 DVF 可以由每个象素的水平和竖直的两个向量图来表示。基于 DVF 用模板匹配方法定位眼睛区域及嘴巴区域,定位虹膜中心, 应用文献[5]的方法提取各特征点。

(3) 式 (3) 表示一个经过高斯包络调制过的正弦波 , 其
第6期
李烈熊:基于 DVF 与 Gabor 小波的人脸表情特征提取方法研究
21
中 k k x jk y k e j ,模 k 控制高斯窗口的宽
度以及正弦波的波长 , 控制整个滤波器的方向 , 改变可以对滤波器进行旋转, 为高斯窗的宽度与正弦波的波长之比。 k 经过平移､旋转和尺度变化形成一个自相似的函数族,即 Gabor 滤波器组。对于数字图像,需要将 Gabor 小波参数 k 的模 || k || 和方向进行离散化 , 通常在 5 个尺度

人脸算法公式

人脸算法公式
人脸识别算法涉及多个步骤和公式，但具体公式取决于所使用的算法。

以下是其中两种常用的人脸识别算法及其相关公式：
1. 主成分分析（PCA，也被称为特征脸方法）：
PCA是一种以较少数量的特征对样本进行描述以达到降低特征空间维数的
方法，其基础是Karhunen-Loeve展开式，简称KL展开式。

具体来说，对于一个输入的测试样本x，可以求出它与平均脸之间的偏差y = x - x’，y在特征脸空间的投影可以表示为系数向量z = W(T)y，z就是KL变换的展开系数向量。

2. Gabor小波变换+图形匹配：
Gabor滤波器将Gaussian网络函数限制为一个平面波的形状，并且在滤波器设计中有优先方位和频率的选择，表现为对线条边缘反应敏感。

这种方法精确抽取面部特征点以及基于Gabor引擎的匹配算法，具有较好的准确性，能够排除由于面部姿态、表情、发型、眼镜、照明环境等带来的变化。

请注意，以上仅为简要介绍，并无法涵盖所有的人脸识别算法公式。

在实际应用中，建议根据具体需求和场景选择适合的算法，并深入学习相关算法和公式。

基于Gabor的特征提取算法在人脸识别中的应用

基于Gabor 的特征提取算法在人脸识别中的应用欧阳文，王燕（兰州理工大学计算机与通信学院，甘肃兰州730050）摘要：针对人脸识别中的特征提取问题，提出一种新的基于Gabor 的特征提取算法，利用Gabor 小波变换良好的提取区分能力和LDA 所具有的判别性优势来进行特征提取。

首先利用Gabor 小波变换来提取人脸特征。

然后对得到的高维特征采用PCA 进行初次降维，再利用LDA 实现再次降维，得到最终的特征向量。

在ORL 和YALE 人脸库上的实验验证了该算法的有效性。

关键词：Gabor 小波变换；主成分分析（PCA ）；线性判别分析（LDA ）；人脸识别中图分类号：TP391.4文献标识码：A文章编号：1674－6236（2012）24-0175-03A feature extraction algorithm based Gabor for face recognitionOU Yang -wen ，WANG Yan（College of Computer and Communication ，Lanzhou University of Technology ，Lanzhou 730050，China ）Abstract:Aiming at the feature extraction problem of face recognition ，we proposed a new feature extraction algorithm which utilized the good extraction effects of Gabor wavelet transform and the discriminative advantages of the LDA.Firstly ，the Gabor wavelet transform is used to extract facial features.In the second step ，we use PCA algorithm to realize the first feature dimension reduction ，and then we get the final feature vectors by using LDA algorithm.The experiment results on ORL and YELE face databases have demonstrated the effectiveness of the new algorithm.Key words:Gabor wavelet transform ；Principal Component Analysis （PCA ）；Linear discriminant Analysis （LDA ）；facerecognition收稿日期：2012-09-03稿件编号：201209016作者简介：欧阳文（1979—），男，广西田阳人。

基于Gabor小波和SVM的人脸表情识别算法

基于Gabor小波和SVM的人脸表情识别算法作者：陈亚雄来源：《现代电子技术》2011年第20期摘要：针对包含表情信息的静态图像，提出基于Gabor小波和SVM的人脸表情识别算法。

根据先验知识，并使用形态学和积分投影相结合定位眉毛眼睛区域，采用模板内计算均值定位嘴巴区域，自动分割出表情子区域。

对分割出的表情子区域进行Gabor小波特征提取，在利用Fisher线性判别对特征进行降维，去除冗余和相关。

利用支持向量机对人脸表情进行分类。

用该算法在日本表情数据库上进行测试，获得了较高的识别准确率。

证明了该算法的有效性。

关键词：Gabor小波变换；表情特征提取； Fisher线性判别；支持向量机中图分类号：TN919-34 文献标识码：A文章编号：1004-373X(2011)20-0001-04Facial Expression Recognition Algorithm Based on Gabor Wavelet Automatic Segmentation and SVMCHEN Ya-xiong(Department of Electronics and Information, Northwestern Polytechnical University, Xi’an 710072, China)Abstract： A facial recognition algorithm based on Gabor wavelet and SVM is proposed in allusion to static image containing expression Information. The mathematical morphology combined with projection is adopted to locate the brow and eye region, and the calculating mean value in template is employed to locate the mouth region, which can segment the expression sub-regions automatically. The features of the expression sub-regions are extracted by Gabor wavelet transformation and then effective Gabor expression features are selected by Fisher linear discriminate (FLD) to deduce the dimension and redundancy of the features. The features are sent to support vector machine (SVM) to classify the different expressions. The algorithm was tested in Japanese female expression database. It can get a high precision of recognition. The feasibility of this method was verified by experiments.Keywords： Gabor wavelet transform; expression feature extraction; Fisher linear discriminant (FLD) analysis; support vector machine (SVM)收稿日期：2011-05-11基金项目：西北工业大学2011年度研究生创业种子基金资助项目(Z2011090)0 引言人脸表情识别是指从给定的表情图像或视频序列中分析检测特定的表情状态，进而确定被识别对象的心理情绪。

一种采用Gabor小波的纹理特征提取方法

一种采用Gabor小波的纹理特征提取方法一、本文概述纹理分析是计算机视觉领域中的一个重要研究方向，广泛应用于图像识别、目标检测、模式识别等多个领域。

纹理特征提取作为纹理分析的核心环节，其准确性和有效性对于后续处理步骤至关重要。

近年来，随着小波变换理论的深入研究和应用，Gabor小波因其良好的空间频率特性和方向选择性，在纹理特征提取方面展现出独特的优势。

本文旨在探讨一种采用Gabor小波的纹理特征提取方法，以期提高纹理识别的准确性和鲁棒性。

本文首先简要介绍纹理特征提取的背景和意义，然后重点阐述Gabor小波的基本理论及其在纹理特征提取中的应用。

接着，详细介绍本文提出的基于Gabor小波的纹理特征提取方法，包括Gabor滤波器的设计、特征向量的构建以及特征提取的具体步骤。

通过实验验证所提方法的有效性和性能，并与现有方法进行对比分析。

本文旨在为相关领域的研究者提供一种新的纹理特征提取思路和方法，推动纹理分析技术的进一步发展。

二、Gabor小波变换原理Gabor小波变换是一种线性滤波方法，其基本思想是通过一组Gabor滤波器对图像进行卷积，从而提取出图像的局部特征。

Gabor 滤波器是一种具有特定频率、方向和尺度的线性滤波器，其冲激响应函数可以表示为二维高斯函数与复正弦函数的乘积。

g(x,y;λ,θ,φ,σ,γ) = exp(-(x'² + γ²y'²)/(2σ²)) * exp(i(2πx'/λ + φ))其中，(x,y)表示空间坐标，λ表示波长，θ表示方向，φ表示相位偏移，σ表示高斯包络函数的标准差，γ表示空间纵横比，用于控制滤波器的椭圆形状。

x'和y'是旋转后的坐标，通过旋转矩阵实现。

Gabor小波变换的核心思想是将图像与一组Gabor滤波器进行卷积，每个滤波器都可以提取出图像在特定频率、方向和尺度下的局部特征。

这样，通过对所有滤波器输出的组合，就可以得到图像的完整纹理特征。

基于二维Gabor小波矩阵表征人脸的识别算法

ｒｐｅｅｔｔｒｔｄｅａｄｅｐｒｍｅｅｎｔｅＯＲＬｆｃｄｔｂｓｓｎＷＯｄｍｅｓｏａｐｉｃｐａｏｏｅａａｙｉａｅｒｃｇｉｏｅｒｓｎａｉａｅｓｕｉｄｎｘｅｉｎｔｄｏｈｏｎａｅａａａｅｕｉｇｔ — ｉｎｉｎｌｒｎｉｌｃｍｐｎｎｔｎｌｓｓｆｃｅｏｎｔｎｉ
ＭＧＦｂｓｄ２Ｒ— ａｅＤＰＣＡ．
［ｙｗｒｓａｅｒｃｇｉｏ；ｂｆａｅＴｏｄｍｅｓｏｒｃａＣｏｏｅｔｎｌｓｓＤＰＫｅｏｄ］ｆｃｏｎｔｎＧａｏｃ；ｗ —ｉｎｉｎＰｉｉｌｍｐｎｎａｙｉ（ｃＡ）ｆａｒｘｒｃｉｎｍｕｔｃａｎｌｄｃｉｎｅｉｎｐＡ２；ｅｔｅｅｔｔ；ｌｈｎｅ；ｅｉｏ一ｕａｏｉｓ
中分毒；圈；
基于二维Ｇａｏｂｒ小波矩阵表征人脸的识别算法
王琳，李勇平，王成波，张鸿洲
（中国科学院上海应用物理研究所，上海２１０）００８
捕
要：提出基于二维Ｇｂｒａｏ小波特征（ａｏｆｅ阵的人脸表征方法，二维Ｇｂｒｃ矩阵有别于常规的一维采样特征矢量方法。对该Ｇｂｒｃ）ａ矩ａｏｆｅａ
】ｖ】ｆＳｏｅｅｌｊｎ】
人脸识别是模式识别研究领域中的重要课题，近几十年来得到了蓬勃的发展。ａｏ滤波器（Ｇｂｒ小波）能很好地模拟哺乳
方向和尺度因子；ｋ：ｋ／；丸＝／。滤波器的参数 … ｆＮ分别为盯＝２ｋ＝２ｆ＝４ｎ，／，２。

基于Gabor平方的人脸识别算法

基于Gabor平方的人脸识别算法摘要：首先对图像进行Gabor小波分解，为了解决图像的提取特征有更好的的空间局部性和方向选择性，选用Gabor作为人脸特征的提取方法。

并采用RBF神经网络利用其逼近能力强，收敛速度快、较强的适应性以及很强的非线性映射等功能，作为分类器对所提取的人脸有效特征进行识别。

关键字：Gabor小波RBF神经网络1预处理图像用Gabor小波分解，分解生成的图像子带中，图像的低频子带包含了初始人脸大部分的有用信息。

所以，去除高频人脸，而只把低频人脸子带用来降维并识别，符合人眼对低频比较敏感性质。

采用Gabor 小波变换对人脸图像来进行分解最重要的优点有第一小波变换后的低频成分人脸图像姿态表情是不敏感的，在悲观、喜怒、哀乐、愤怒等情况下缩小了人脸变化而导致的差异，最重要的是绝大部分人脸识别信息能够被保留下来；第二是人脸图像经过小波分解后，大大降低低频子带人脸图像的像素，因此对后续处理的降低了运算强度能节约对CPU占用时间。

2特征提取3.2网络的学习过程模糊RBF神经网络不同层有不同作用。

对于隐层单元的非线性激活函数来说网络输出单元相连的线性权值，可以看成为尺度和时间上的实时表现。

随着隐层的激活函数依据非线性最优策略进行调整时，作为输出的权值则是根据线性最优来调整的。

4实验性能分析为了验证本文所提出的算法性能，在选取两种方法分别在ORL 人脸数据库做实验，表中的数据显示，当随机选择三个训练样本时，第二种算法最好。

当随机选择4一6个训练样本时，本文提出的辨识算法效果最好，平均比其它分类器的分类效果高出0.4%左右。

这个结果说明，本文的RBF分类器在训练样本数较多的情况下分类效果比较好。

参考文献【1】李森，基于径向基神经网络分类器的人脸识别技术(硕士学位论文).哈尔滨工业大学，2006年【2】蒋宗礼.人工神经网络导论.北京:高等教育出版社，2004, 7一13【3】Shen Cong, Xiao-Gang R, Tian -Lu M. Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation, 2002, 2002, 3: 2061 -2064【4】Lim R. Facial landmarks Localization Based on Fuzzy and Gabor Wavelet Graph Matching. The 10th IEEE International Conference on Fuzzy Systems, 2001, 2001，3：683 -686【5】李铭，自动人脸检测与识别系统的研究，北京交通大学博士论文.。

基于二维Gabor小波与SPP算法的人脸识别研究

基于二维Gabor小波与SPP算法的人脸识别研究陈静;邱晓晖;孙娜【期刊名称】《计算机技术与发展》【年(卷),期】2014(000)011【摘要】Recently,sparse representation has been successfully applied to solve many practical problems in the pattern recognition,such as target detection and classification. Sparsity Preserving Projections ( SPP) algorithm which is based on sparse representation theory has been put forward as a method of feature extraction,aimed at achieving a linear projection space,and making the global reconstruction rela-tionship between samples preserved in low-dimensional embedding subspace. SPP algorithm needs not to choose any model parameter, with strong adaptability,its flexibility and effectiveness is verified in the face recognition in detail. In this paper,combined 2D Gabor wavelet and SPP algorithm for face recognition system,2D Gabor wavelet is mainly used for face image feature extracting,SPP for di-mension reduction of image characteristics. Finally,in ORL public face database,experiments show that the algorithm has better recogni-tion result than traditional methods and the method of single SPP algorithm.%稀疏表示近年来在模式识别领域已经取得了成功的应用,如目标探测和分类。

基于Gabor小波与FastICA的人脸表情特征提取方法研究

ｋｖｅｊ￣
，
ｋｖ＝
．，
，＝
Ｏ
（２）
式中，尼为最高频率的带通滤波器中心频率；厂是一个限定频域中核函数距离的间隔因子，通常
选取ｆ＝４２，＝２ｘ，
＝／２。
对于一幅人脸图像的Ｇａｂｏｒ小波特征表示只需将该图像与Ｇａｂｏｒ小波核函数卷积，即假设Ｉ（ｚ）表示一幅图像的灰度分布，则该图像的Ｇａｂｏｒ特征表示为：
Ｌ
ＦａｓｔＩＣＡ方法Ｌ５】是芬兰赫乐辛基工业大学Ｈｙｖａｒｉｎｅｎ等人提出并发展起来的一种快速ＩＣＡ方法，其基于非高斯最大化原理，以近似负熵为
式（１）表示一个正弦波，其经过高斯包络调制
过，并且ｋ＝＋＝ＩｋＩ，模ＩＩｋ１Ｉ控制着高斯
作者简介：李烈熊（１９８４－），男，讲师，研究方向：模式识别。
第５期
李烈熊：基于Ｇａｂｏｒ小波与ＦａｓｔＩＣＡ的人脸表情特征提取方法研究
波器组。
表情），针对上述表情的研究也有很多，例如陈培ｌＪ利用ＡＡＭ模型，结合粗糙集理论，用ＳＶＭ
作为分类方法，获得了８３．７０％的整体识别率：Ｚｈａｏ等人【２］采用Ｇａｂｏｒ小波＋ＬＢＰ特征提取和最

基于局部特征Gabor小波的BP神经网络的人脸识别

基于局部特征Gabor小波的BP神经网络的人脸识别摘要人脸识别是自动识别领域的一个研究重点。

本文提出了基于gabor小波局部特征的bp神经网络的人脸识别算法。

该方法在保留了gabor小波符合人眼的生物特征性的基础上，融合了神经网络的强大学习能力。

该方法采用局部gabor小波特征作为神经网络输入，最后采用改进的bp神经网络对样本分类，用orl标准人脸库进行实验，结果数据表明，该算法在提高准确率和减少计算时间方面具有实用价值。

关键词人脸识别；gabor小波；小波网络；神经网络；特征抽取中图分类号tp39 文献标识码a 文章编号 1674-6708（2012）58-0183-020 引言随着信息技术的发展，人脸识别因在公安、身份验证、安全验证系统、医学、考勤系统等各方面的巨大应用前景而成为当前人工智能和模式识别领域的研究热点。

人脸识别是指利用摄像头捕捉人的面部图片，利用计算机分析比较人脸的生物特征来进行身份识别。

虽然人类能够轻易识别出人脸和表情，但是人脸机器识别却是一个难度极大的课题[1]。

基于gabor小波弹性图匹配算法作为一种有效的人脸识别方法，虽然方法简单，但是实现复杂、计算量大、耗时多，本文提出了一种改进的基于局部特征gabor小波的bp神经网络方法，此方法避免了弹性如匹配算法的高计算量，神经网络由于学习和记忆能力，提高了算法容错性。

本文采用gabor小波特征空间作为神经网络输入空间，然后使用神经网络作为分类器。

1 基于局部特征的gabor小波1.1 gabor滤波器数组二维图像的离散gabor 变换的定义见文献[4]，对特征点图像模板进行离散gabor 变换的gabor核函数如下：式中参数描述三角函数的波长,参数描述小波的方向性。

依david s. bolme 的取值对人脸图像的处理间隔4 个像素,即分别取{4 , ,8, , 16}；对的取值从0到π的区间分别取{0 ,π/ 8 ,2π/ 8 ,3π/ 8 ,4π/ 8 ,5π/ 8 ,6π/ 8 ,7π/ 8}共8个方向,π到2π区间的方向性由于小波的奇偶对称性而省去。

基于GPU的Gabor人脸图像特征提取算法的研究

ｓｕｐｐｏｒｔｆｏｒｈｕｍａｎｆａｃｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｉｎｇｉｎｒｅａｌｔｉｍｅｓｙｓｔｅｎ￣
ＫｅｙＷｏｒｄｓＧＰＵ，Ｇａｂｏｒ，ｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ｆａｃｅｉｍａｇｅＣｌａｓｓＮｕｍｂｅｒＴＰ３９１．４１
１引言
人脸识别技术是计算机视觉、模式识别等领域中一项重要的研究课题［１］。长期以来的大量研究实验表明：人脸
２００７年Ｎｖｉｄｉａ推出了ＣＵＤＡ（ＣｏｍｐｕｔｅＵｎｉｆｉｅｄＤｅｖｉｃｅＡｒ —
ＡｂｓｔｒａｃｔＩｎｔｈｉｓｐａｐｅｒａｎａｌｇｏｒｉｔｈｍｆｏｒＧａｂｏｒｗａｖｅｌｅｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎＧＰＵｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇｉｓｐｒｏｐｏｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｔｒａｄｉｔｉｏｎａｌＧａｂｏｒｗａｖｅｌｅｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎｒｅａｌ — ｔｉｍｅｏｆｆａｃｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｂａｓｉｃｉｄｅａ１ｏｆｔｈｉｓａｌｇｏｒｉｔｈｍｉＳｔｏｏｐｅｒａｔｅｃｏｎｖｏｌｕｔｉｏｎｏｆＧａｂｏｒｗａｖｅｌｅｔａｎｄｆａｃｅｉｍａｇｅｏｎＧＰＵｉｎｐａｒａｌｌｅ１ｂｙＣＵＤＡｐｒｏｇｒａｍｍｏｄｅ１ａｎｄｍｕｌｔｉ — ｔｈｒｅａｄｍａｐｐｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｓｔｈｅｓｐｅｅｄｏｆｃａｌｃｕｌａｔｉｏｎａｔ１２ｔｉｍｅｓｃｏｍｐａｒｅｄｗｉｔｈＧａｂｏｒ１ＣＰＵＰｒｏｇｒａｍｍｉｎｇ，ａｎｄｐｒｏｖｉｄｉｎｇｅｆｆｅｃｔｉｖｅｔｅｃｈｎｉｃａ１

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于Gabor小波的人脸特征提取算法 Face Recognition Algorithm Based on Gabor Wavelets
பைடு நூலகம்
基于Gabor小波的人脸特征提取算法
1 2 3 4 人脸特征提取方法及过程 Gabor小波介绍 Gabore滤波算法提出问题思考
1 人脸特征提取方法及过程
生物特征提取的一般方法 • 统计特征的提取基于图像的整体灰度特征，需要大量样本进行训练。如PCA,2DPCA,ICA等。 • 变换域中的特征的提取利用变换分解不变性，奇异值特征提取。 • 频率域特征的提取小波变换，能进行多分辨率分析。 • 几何特征提取多用于表情识别，对嘴角几何变化等提取特征。 • 运动特征提取提取运动人脸特征，光流法
3 Gabor滤波算法的提出
Gabor核函数为：
gabor ( x, y; σ ,θ , u ) = 1 2πσ
− ( x2 + y 2 )
*e 2
2θ 2
* e j*2π u (( x*cos(θ ) + y*sin(θ ))
其中，σ是尺度参数，θ 为方向参数。在此，我们选用Gabor函数的实部表达式进行滤波器的设计，函数为：
gabor ( x, y; σ , θ , u ) = 1 2πσ
− ( x2 + y2 )
*e 2
2θ 2
*cos(2π u ( x *cos(θ ) + y *sin(θ )))
3 Gabor滤波算法的提出
在人脸特征提取的时候，一般采用不同向，不同尺度下的Gabor滤波器组进行滤波，以提取到不同细节上的特征信息。在参数选择上，大尺度可以描述全局性较强的信息，同时能较好的掩盖噪声的影响；而小尺度可以描述比较精细的局部结构，但受噪声的影响较大。综合考虑细节特征的提取与噪声的影响，本次我们设计了4个方向，3个尺度的滤波器。
1 人脸特征提取方法及过程
整个算法流程图：
2 Gabor小波介绍
• 基于小波变换进行特征提取的理论依据：任意可以用高斯函数调制的复正弦形式表示的信号都可以达到时域和频域联合不确定关系的下限。也就是说，可以再时域和频域获得最佳的分辨率。
2 Gabor小波介绍
• 基于Gabor小波变换进行特征提取的优点：当图像的边缘特征方向与二维Gabor滤波器纹理特征方向一致的时候，二维Gabor小波变换有较强的响应，如眼睛，鼻子等部位Gabor响应输出较为强烈。通过修改Gabor函数的参数sigma，theta，可以获得不同中心频率，不同方向上的Gabor滤波器，既可以提取到不同局部细节的纹理特征，又能够提取全局性较强的特征，同时减少噪声干扰。
4 问题思考
• Gabor滤波器的最优化参数的选择理论 • 时部滤波能否保证时域和频域联合不确定性的下限，是否更优 • 能够对Gabor函数（小波）加上一个平移参数，使滤波特性变得更优 • 在降维和特征提取的时候，怎样权衡计算量，与特征提取的效率之间的关系，有没有更优的算法，比如2DPCA,ICA等的相结合的算法。
3 Gabor滤波算法的提出
参数选择：（多了冗余，少了丢失） σ = 1, 2, 3, 4; θ = k *(4 / π )。 k = 0, 1, 2, 3; （对称性）在对滤波器进行滤波之前要对时域滤波器进行离散。 x=ic-msize; y=jc-msize; Gabor掩膜的大小为17*17。通过左右，上下平移，完成对图片数据的 gabor滤波。
4 问题思考
• 识别算法过于简单，很难保证识别质量。 • 本算法的人脸识别部分过多依赖与图片库的标准型。需要对图片库中的图片进行标准化，如尺度归一化（缩放旋转平移），灰度归一化。（直方图均衡，增加动态变化范围）